-
Bienvenida
Bienvenida al Nivel 1 IA Generativa y Productividad Automatizada2 Temas -
Módulo 1: Fundamentos de Inteligencia ArtificialIntroducción al Módulo 1: Tu punto de partida en la IA2 Temas
-
1.1 Conocer y dominar los mejores chatbots del momento4 Temas
-
1.2 Generar contenido escrito y documentos de calidad4 Temas
-
1.3 Hacer investigación profunda en minutos2 Temas
-
1.4 Navegar como experto en cada plataforma1 Tema
-
1.5 Crear prompts efectivos que te den exactamente lo que necesitas2 Temas
-
1.6 Generar ideas y soluciones para cualquier desafío de tu negocio2 Temas
-
Cuestionario: Fundamentos de Inteligencia Artificial1 Cuestionario
-
Módulo 2: Creación de Contenido Audiovisual con IAIntroducción al Modulo 2: Crea contenido profesional sin agencia ni camarógrafo1 Tema
-
2.1 Crear imágenes profesionales para tu trabajo o negocio5 Temas
-
2.2 Generar videos promocionales sin cámara ni experiencia en edición3 Temas
-
2.3 Producir audio y locuciones en diferentes voces e idiomas3 Temas
-
2.4 Diseñar presentaciones impactantes que compitan con agencias creativas2 Temas
-
2.5 Crear contenido para redes sociales de forma consistente y atractiva
-
2.6 Transformar texto en material visual llamativo y profesional2 Temas
-
Cuestionario: Módulo 2 - Creación Audiovisual con IA1 Cuestionario
-
Módulo 3: Agentes de IA como UsuarioIntroducción al Modulo 3: De usuario a orquestador de agentes1 Tema
-
3.1 Qué es un agente de IA y cómo se diferencia de un chatbot tradicional: entiende el concepto antes de usarlos
-
3.2 GPTs de ChatGPT o Gems de Gemini: crea tu propio asistente especializado en minutos usando la interfaz de OpenA
-
3.3 Agentes para crear interfaces y aplicaciones: usa Lovable, v0 y Bolt para generar páginas web y apps con sólo describirlas
-
3.4 Navegadores con IA: delega búsquedas y tareas web a Operator de OpenAI y los agentes de Perplexity8 Temas
-
3.5 Asistentes de código para no programadores: usa Cursor y GitHub Copilot para modificar código aunque no sepas programar
-
3.6 Identificar qué tareas de tu trabajo puedes delegar hoy a agentes que ya existen en el mercado3 Temas
-
Cuestionario: Módulo 3 - Agentes de IA como Usuario1 Cuestionario
-
Módulo 4: Automatización BásicaIntroducción al Módulo 4: De ejecutor de tareas a arquitecto de sistemas1 Tema
-
4.1 Qué es la automatización y cómo identificar procesos en tu día a día que puedes automatizar sin conocimientos técnicos3 Temas
-
4.2 Introducción a plataformas no-code: conoce Make, Zapier y n8n, sus diferencias y cual elegir según tu caso1 Tema
-
4.3 Crear tu primer flujo automatizado: conecta dos aplicaciones paso a paso y ponlo a funcionar en minutos2 Temas
-
4.4 Automatizaciones simples para el día a día: respuestas automáticas de email, notificaciones, respaldos de archivos y sincronización de datos4 Temas
-
4.5 Templates y flujos prediseñados: aprovecha automatizaciones ya creadas y adáptalas a tu negocio sin empezar de cero4 Temas
-
Cuestionario: Módulo 4 - Automatización Básica1 Cuestionario
-
Módulo 5:· Vibe Coding Básico y Análisis de DatosIntroducción al Módulo 5: Cuando el lenguaje natural se convierte en software1 Tema
-
5.1 Qué es vibe coding: el nuevo paradigma de programar describiendo lo que quieres en lenguaje natural
-
5.2 Crear dashboards básicos con prompts: visualiza tus datos de ventas, clientes o métricas sin saber Excel avanzado ni programación
-
5.3 Generar aplicaciones simples con Lovable, v0 y Bolt: desde landing pages hasta herramientas internas básicas para tu negocio
-
5.4 Conectar fuentes de datos y visualizarlas: importa información de Google Sheets, bases de datos o APIs y convierte en gráficas útiles3 Temas
-
5.5 Análisis de datos conversacional: sube archivos a ChatGPT o Claude y hazles preguntas sobre tendencias, patrones y oportunidades
-
5.6 Límites del vibe coding: entiende que puedes lograr con estas herramientas y cuando necesitas desarrollo profesional o el Nivel 2
-
Cuestionario: Módulo 5 - Vibe Coding y Análisis de Datos1 Cuestionario
Los Modelos de Lenguaje Grande (LLM)
Un LLM (Large Language Model) es el motor que impulsa a ChatGPT, Claude, Gemini y Deepseek. Entender cómo funciona —aunque sea a nivel conceptual— cambia completamente la forma en que los usas. La diferencia entre un usuario promedio y un usuario experto está en saber qué hay detrás.
La idea central es deceptivamente simple: un LLM es un sistema entrenado con cantidades masivas de texto para predecir, token a token, cuál es la continuación más probable de una secuencia. No “entiende” en sentido humano: calcula probabilidades estadísticas con una sofisticación extraordinaria.
Un LLM no “piensa”.
Predice el siguiente token con probabilidad.
Cuando le escribes “La inteligencia artificial es…” el modelo no busca en una base de datos ni razona como un humano. Calcula: dado todo lo que aprendí, ¿qué palabra tiene mayor probabilidad de seguir aquí? Y lo hace token a token, a una velocidad de decenas de miles de palabras por segundo.
📥 Tu prompt de entrada
🎲 El modelo calcula probabilidades para el siguiente token
✅ Token seleccionado → proceso se repite hasta completar la respuesta
Analogía: Si las palabras son ladrillos, los tokens son los fragmentos en que el modelo divide esos ladrillos antes de procesarlos. A veces un token = una palabra. A veces = media palabra. A veces = varios caracteres. El modelo no “lee” texto como tú: lo descompone en piezas numéricas.
1 token ≈ 0.75 palabras
En inglés. En español los textos suelen consumir un 15-20% más de tokens por la longitud de las palabras.
El costo se mide en tokens
Las APIs de IA cobran por tokens procesados — tanto los que envías (input) como los que recibes (output).
La “memoria” también se mide así
La ventana de contexto (cuánto puede “recordar” el modelo) se mide en tokens: Claude tiene 200,000.
Internamente son números
Cada token se convierte en un número (ID) y luego en un vector matemático. El modelo nunca procesa letras, solo números.
🔍 Ejemplo: así tokeniza un LLM la frase “La inteligencia artificial transforma negocios”
Nota: palabras largas se dividen en sub-tokens. “inteligencia” → [“intel”, “igencia”]. Cada color representa un token diferente.
Analogía: Imagina que tienes que preparar al mejor corrector de textos del mundo. Primero lo haces leer toda la biblioteca del mundo (preentrenamiento). Luego lo entrenas específicamente para conversar bien (ajuste fino). Finalmente, le pides a miles de personas que califiquen sus respuestas para que aprenda qué le gusta a los humanos (RLHF).
Preentrenamiento — “Leer todo internet”
El modelo procesa billones de páginas web, libros, artículos científicos, código fuente y conversaciones. Su único objetivo: predecir el siguiente token. Con este proceso, “absorbe” gramática, hechos, razonamiento y patrones lingüísticos de toda la cultura humana escrita. GPT-4 fue entrenado con ~13 billones de tokens. Costo estimado: más de 100 millones de dólares.
Ajuste Fino (Fine-tuning) — “Aprender a conversar”
El modelo preentrenado sabe mucho, pero responde de forma extraña. En esta fase, se le muestra cómo debería responder a instrucciones específicas: ejemplos de preguntas y respuestas ideales curadas por humanos. Esto lo convierte de “predictor de texto” a “asistente útil”. Es como darle clases de servicio al cliente a alguien muy inteligente pero sin modales.
RLHF — “Aprender de los pulgares arriba y abajo”
Reinforcement Learning from Human Feedback. Evaluadores humanos califican múltiples respuestas del modelo. Esas calificaciones se usan para entrenar un “modelo de recompensa” que predice qué respuestas son preferidas. El LLM luego se optimiza para maximizar esa recompensa. Es el proceso que hace que ChatGPT y Claude sean útiles, honestos y seguros —en lugar de solo predecir texto.
✅ Lo que hace extraordinariamente bien
- Generar y editar texto en cualquier tono, formato y estilo
- Resumir documentos extensos en segundos
- Traducir con adaptación cultural, no solo literal
- Escribir y depurar código en docenas de lenguajes
- Hacer brainstorming y generar ideas creativas
- Explicar conceptos complejos con analogías simples
- Responder preguntas sobre su corpus de entrenamiento
- Seguir instrucciones complejas y estructuradas
- Analizar documentos que le compartes en el chat
❌ Lo que NO puede hacer (y finge que sí)
- Acceder a internet en tiempo real (sin plugins)
- Recordar conversaciones anteriores entre sesiones
- Conocer eventos posteriores a su fecha de corte
- Verificar si lo que dice es verdad o no
- Razonar matemáticamente con precisión siempre
- Saber cuándo no sabe algo (puede alucinar con confianza)
- Tener experiencias, emociones o conciencia real
- Aprender de tu conversación para el futuro
- Actuar en el mundo sin herramientas adicionales
| Modelo | Empresa | Fortaleza principal | Contexto | Mejor para… |
|---|---|---|---|---|
| GPT-4o | OpenAI | Versatilidad y ecosistema | 128K tokens | Redacción Imágenes Código |
| Claude 3.5 Sonnet | Anthropic | Documentos extensos y precisión | 200K tokens | Análisis Contratos Escritura larga |
| Gemini 1.5 Pro | Integración Google + búsqueda | 1M tokens | Gmail/Docs Búsqueda real Video | |
| DeepSeek R1 | DeepSeek | Razonamiento paso a paso | 128K tokens | Matemáticas Lógica Análisis |
| Qwen 3 | Alibaba | Multilingüe + visión OCR | 128K tokens | Facturas Traducción Imágenes |
🌀 Alucinaciones
El modelo genera texto con total confianza aunque sea falso. Puede inventar citas, estadísticas, nombres de personas o eventos históricos que nunca ocurrieron.
💡 Regla de oro: nunca uses datos críticos sin verificar en una fuente primaria. El LLM no sabe lo que no sabe.
📅 Fecha de corte (Cutoff)
El modelo solo conoce información hasta su fecha de entrenamiento. Preguntarle sobre eventos recientes puede producir respuestas obsoletas o inventadas.
💡 Para información actual usa Perplexity, Gemini con búsqueda activa, o el modo web de ChatGPT.
🧮 Matemáticas y lógica exacta
Los LLMs son predictos de texto, no calculadoras. Fallan en aritmética compleja, problemas de conteo y razonamiento espacial preciso con cierta frecuencia.
💡 Para cálculos críticos usa Code Interpreter de ChatGPT o pídele que ejecute código Python para verificar el resultado.
🧠 Sin memoria entre sesiones
Cada conversación nueva empieza desde cero. El modelo no recuerda lo que le contaste ayer, el nombre de tu empresa ni tus preferencias previas.
💡 Usa Instrucciones Personalizadas (Custom Instructions) o crea un “contexto maestro” que pegas al inicio de cada sesión importante.
GPT-4 procesó más texto en su entrenamiento del que un humano podría leer en 300,000 años
Se estima que GPT-4 fue entrenado con alrededor de 13 billones de tokens — equivalente a unos 10 billones de palabras. Leyendo 24 horas al día, 365 días al año, un humano lee aproximadamente 33 millones de palabras en toda su vida. El modelo absorbió el equivalente a 300,000 vidas de lectura continua.
¿Por qué importa? Porque explica tanto su capacidad extraordinaria (ha “visto” casi todo el conocimiento escrito humano) como sus limitaciones (solo “vio” texto —no experimentó el mundo, no tiene cuerpo, no vivió nada).
🎯 ¿Por qué importa entender cómo funciona un LLM?
Mejores prompts
Saber que el modelo predice tokens te ayuda a estructurar prompts que “guían” esa predicción hacia el resultado que necesitas.
Detectar alucinaciones
Entender que no “sabe” sino que “predice” te pone en alerta ante datos específicos sin fuente verificable.
Elegir la herramienta correcta
Cada LLM tiene fortalezas distintas. Conocer su arquitectura te ayuda a elegir el modelo correcto para cada tarea.
Gestionar el contexto
Entender los tokens te permite usar eficientemente la ventana de contexto y no desperdiciar capacidad del modelo.
Protegerte de errores costosos
Quien entiende las limitaciones del modelo no toma decisiones críticas basadas ciegamente en su output.
Escalar tu productividad
Los mejores usuarios de IA no son los que más usan el modelo —son los que entienden cómo sacarle el máximo provecho.